Closed aPovidlo closed 1 year ago
Горизонт 250 - уж слишком много для такого примера. Нашел сейчас в пайплайне rfr, который обучался на 500 признаков. А учитывая горизонт - таких моделей надо было строить 250 штук, что просто висло
Можно сделать чтобы по-умолчанию фактический горизонт был не больше какого-то разумного значения - а дальше до заданного горизонта прогнозировалось итеративно.
Горизонт 250 - уж слишком много для такого примера. Нашел сейчас в пайплайне rfr, который обучался на 500 признаков. А учитывая горизонт - таких моделей надо было строить 250 штук, что просто висло
Опирался на данный пример. Возможно, для rfr это действительно много
Но для примера действительно можно просто уменьшить.
Можно сделать чтобы по-умолчанию фактический горизонт был не больше какого-то разумного значения - а дальше до заданного горизонта прогнозировалось итеративно.
Думаю можно просто убрать тяжелые модели в best_quality. Но по идее должны быть уже
@valer1435 А какой следует поставить горизонт тогда?
@valer1435 А какой следует поставить горизонт тогда?
Поставил 10. Странно, что попадаются операции, которых я никогда не видел и даже убирал из пла моделей (clstm, например). Поэтому долго работает
@valer1435 А какой следует поставить горизонт тогда?
Поставил 10. Странно, что попадаются операции, которых я никогда не видел и даже убирал из пла моделей (clstm, например). Поэтому долго работает
Понял, тогда запущу тетрадку позже после фикса моделей
@valer1435 @aPovidlo можно ли закрывать?
There are bugs in composition which pop up with
logging_level=logging.DEBUG
:PipelineObjectiveEvaluate - Continuing after pipeline fit error <Per-column arrays must each be 1-dimensional> for graph: ((/n_lagged_{'window_size': 10};)/n_locf_{'part_for_repeat': -1};;/n_glm_{'family': 'gaussian', 'link': 'identity'};)/n_ridge_{}
PipelineObjectiveEvaluate - Continuing after pipeline fit error <endog must be 1-dimensional> for graph: ((/n_sparse_lagged_{'window_size': 10, 'n_components': 0.5, 'sparse_transform': True, 'use_svd': False};)/n_ets_{'error': 'add', 'trend': None, 'seasonal': None, 'damped_trend': False, 'seasonal_periods': 7};;/n_glm_{'family': 'gaussian', 'link': 'identity'};)/n_ridge_{}
And in general, the quality of the pipelines are decreased. It was discovered that numbers of generations is pretty small even if
timeout = 40
for a simple datasets.Script for repeating the bug: